纺织品瑕疵检测毕业论文.docVIP

XXX大学 毕业?i+ 纺织品疵点对销售和生产有巨大影响，因此对纺织品疵点识别和分类具有重 要意义。 针对疵点对比度低的问题，使用直方图规定化增强方法和直方图均衡化增强 方法对疵点图像进行对比度增强，对比研究发现利用直方图规定化增强方法增强 效果比直方图均衡化增强方法好。 针对图像噪声问题，利用Gabor小波变换进行降噪，对不同类型疵点采用不 同滤波器参数组进行降噪，找出最适合该种类型的滤波器参数组，进一步步增强 图像疵点清晰程度，为进一步疵点识别提高辨识精度提供技术支持。 分别采用直方图特征提取方法和主成分分析方法对疵点图像进行特征提取， 利用神经网络进行分类，对分类结果对比研究发现直方图特征提取方法提取的特 征灵敏度高。 关键词：疵点；图像增强； 小波变换；特征提取； 神经网络 ABSTRACT Textile defects have a tremendous impact on the sales and production, so it is very important to the fabric defect recog nition and classification. Aiming at the defect of low contrast, using histogram equalization enhancement method and histogram equalization method for image contrast enhancement, contrast study found that using histogram specification method for enhancing enhancement effect than the histogram equalization method. Aiming at the problem of image noise, denoising with Gabor wavelet transform, and further enhance the clarity of image defect, provide technical support for further improving the accuracy of identification of fabric defects identification. We used histogram feature extraction method and principal component analysis were used for image feature extraction, classification using neural network, the classification results comparing histogram feature extraction method of high sensitivityt ? Keywords： defect of textiles； image enhancement ； wavelet transform； image analysis； neural network TOC \o 1-5 \h \z HYPERLINK (r(r)) = F(r) (2-5) 基于Mat lab的实现格式: J=i mad just （T, [low hight], [bottom to p], gamma）, gamma 为校正量门 [low hight]为原图像屮要变换的灰度范围，[bottom top]置顶了变换后的灰度范围， hight必须大于low, top必须大于bottom。 2. 1. 2直方图均衡化方法 直方图均衡化的思想是把原始图像直方图变换为均匀分布的形式，这样就增 加了像素狄度值的动态范围，从而达到增强图像整体对比度效果。大多数自然图 像由于其狄度分布集屮在较窄区间，引起图像细节的不够清楚。采用直方图修正 后可使图像的狄度间距拉大或使狄度均匀分布，从而增大了反差，使图像细节变 得更加的清晰，从而达到增强图像对比度的H的。其基本的算法如下： 两幅连续图像，r、s分别为变换前后的灰度（归一化灰度），设他们ZliiJ的 灰度变换函数为： s = T（r） 0 5, r 1 （2~6） 该变换满足以下条件： 在0GY1内为单调递增函数； 在 0 r 1 内0 5卩（厂）51 其反函数r = T\S）同样满足上述条件 s是广的函数，由概率论理论可知，$的概率密度函数可由广的概率密度函数 求出。$的分布函数为： { Ps（^=f P（厂）d （2-7） 原图像灰度的概率